實(shí)用機(jī)器學(xué)習(xí)

推薦序
作者序
致謝
譯者序
關(guān)于本書
作者簡(jiǎn)介
關(guān)于封面插圖
第1部分機(jī)器學(xué)習(xí)工作流程
第1章什么是機(jī)器學(xué)習(xí)
1.1理解機(jī)器學(xué)習(xí)
1.2使用數(shù)據(jù)進(jìn)行決策
1.2.1傳統(tǒng)方法
1.2.2機(jī)器學(xué)習(xí)方法
1.2.3機(jī)器學(xué)習(xí)的五大優(yōu)勢(shì)
1.2.4面臨的挑戰(zhàn)
1.3跟蹤機(jī)器學(xué)習(xí)流程：從數(shù)據(jù)到部署
1.3.1數(shù)據(jù)集合和預(yù)處理
1.3.2數(shù)據(jù)構(gòu)建模型
1.3.3模型性能評(píng)估
1.3.4模型性能優(yōu)化
1.4提高模型性能的高級(jí)技巧
1.4.1數(shù)據(jù)預(yù)處理和特征工程
1.4.2用在線算法持續(xù)改進(jìn)模型
1.4.3具有數(shù)據(jù)量和速度的規(guī)?；Ｐ?br />1.5總結(jié)
1.6本章術(shù)語(yǔ)
第2章實(shí)用數(shù)據(jù)處理
2.1起步：數(shù)據(jù)收集
2.1.1應(yīng)包含哪些特征
2.1.2如何獲得目標(biāo)變量的真實(shí)值
2.1.3需要多少訓(xùn)練數(shù)據(jù)
2.1.4訓(xùn)練集是否有足夠的代表性
2.2數(shù)據(jù)預(yù)處理
2.2.1分類特征
2.2.2缺失數(shù)據(jù)處理
2.2.3簡(jiǎn)單特征工程
2.2.4數(shù)據(jù)規(guī)范化
2.3數(shù)據(jù)可視化
2.3.1馬賽克圖
2.3.2盒圖
2.3.3密度圖
2.3.4散點(diǎn)圖
2.4總結(jié)
2.5本章術(shù)語(yǔ)
第3章建模和預(yù)測(cè)
3.1基礎(chǔ)機(jī)器學(xué)習(xí)建模
3.1.1尋找輸入和目標(biāo)間的關(guān)系
3.1.2尋求好模型的目的
3.1.3建模方法類型
3.1.4有監(jiān)督和無監(jiān)督學(xué)習(xí)
3.2分類：把數(shù)據(jù)預(yù)測(cè)到桶中
3.2.1構(gòu)建分類器并預(yù)測(cè)
3.2.2非線性數(shù)據(jù)與復(fù)雜分類
3.2.3多類別分類
3.3回歸：預(yù)測(cè)數(shù)值型數(shù)據(jù)
3.3.1構(gòu)建回歸器并預(yù)測(cè)
3.3.2對(duì)復(fù)雜的非線性數(shù)據(jù)進(jìn)行回歸
3.4總結(jié)
3.5本章術(shù)語(yǔ)
第4章模型評(píng)估與優(yōu)化
4.1模型泛化：評(píng)估新數(shù)據(jù)的預(yù)測(cè)準(zhǔn)確性
4.1.1問題：過度擬合與樂觀模型
4.1.2解決方案：交叉驗(yàn)證
4.1.3交叉驗(yàn)證的注意事項(xiàng)
4.2分類模型評(píng)估
4.2.1分類精度和混淆矩陣
4.2.2準(zhǔn)確度權(quán)衡與ROC曲線
4.2.3多類別分類
4.3回歸模型評(píng)估
4.3.1使用簡(jiǎn)單回歸性能指標(biāo)
4.3.2檢驗(yàn)殘差
4.4參數(shù)調(diào)整優(yōu)化模型
4.4.1機(jī)器學(xué)習(xí)算法和它們的調(diào)整參數(shù)
4.4.2網(wǎng)格搜索
4.5總結(jié)
4.6本章術(shù)語(yǔ)
第5章基礎(chǔ)特征工程
5.1動(dòng)機(jī)：為什么特征工程很有用
5.1.1什么是特征工程
5.1.2使用特征工程的5個(gè)原因
5.1.3特征工程與領(lǐng)域?qū)I(yè)知識(shí)
5.2基本特征工程過程
5.2.1實(shí)例：事件推薦
5.2.2處理日期和時(shí)間特征
5.2.3處理簡(jiǎn)單文本特征
5.3特征選擇
5.3.1前向選擇和反向消除
5.3.2數(shù)據(jù)探索的特征選擇
5.3.3實(shí)用特征選擇實(shí)例
5.4總結(jié)
5.5本章術(shù)語(yǔ)
第2部分實(shí) 際 應(yīng) 用
第6章案例：NYC出租車數(shù)據(jù)
6.1數(shù)據(jù)：NYC出租車旅程和收費(fèi)信息
6.1.1數(shù)據(jù)可視化
6.1.2定義問題并準(zhǔn)備數(shù)據(jù)
6.2建模
6.2.1基本線性模型
6.2.2非線性分類器
6.2.3包含分類特征
6.2.4包含日期-時(shí)間特征
6.2.5模型的啟示
6.3總結(jié)
6.4本章術(shù)語(yǔ)
第7章高級(jí)特征工程
7.1高級(jí)文本特征
7.1.1詞袋模型
7.1.2主題建模
7.1.3內(nèi)容拓展
7.2圖像特征
7.2.1簡(jiǎn)單圖像特征
7.2.2提取物體和形狀
7.3時(shí)間序列特征
7.3.1時(shí)間序列數(shù)據(jù)的類型
7.3.2時(shí)間序列數(shù)據(jù)的預(yù)測(cè)
7.3.3經(jīng)典時(shí)間序列特征
7.3.4事件流的特征工程
7.4總結(jié)
7.5本章術(shù)語(yǔ)
第8章NLP高級(jí)案例：電影評(píng)論情感預(yù)測(cè)
8.1研究數(shù)據(jù)和應(yīng)用場(chǎng)景
8.1.1數(shù)據(jù)集初探
8.1.2檢查數(shù)據(jù)
8.1.3應(yīng)用場(chǎng)景有哪些
8.2提取基本NLP特征并構(gòu)建初始模型
8.2.1詞袋特征
8.2.2用樸素貝葉斯算法構(gòu)建模型
8.2.3tf-idf算法規(guī)范詞袋特征
8.2.4優(yōu)化模型參數(shù)
8.3高級(jí)算法和模型部署的考慮
8.3.1word2vec特征
8.3.2隨機(jī)森林模型
8.4總結(jié)
8.5本章術(shù)語(yǔ)
第9章擴(kuò)展機(jī)器學(xué)習(xí)流程
9.1擴(kuò)展前需考慮的問題
9.1.1識(shí)別關(guān)鍵點(diǎn)
9.1.2選取訓(xùn)練數(shù)據(jù)子樣本代替擴(kuò)展性
9.1.3可擴(kuò)展的數(shù)據(jù)管理系統(tǒng)
9.2機(jī)器學(xué)習(xí)建模流程擴(kuò)展
9.3預(yù)測(cè)擴(kuò)展
9.3.1預(yù)測(cè)容量擴(kuò)展
9.3.2預(yù)測(cè)速度擴(kuò)展
9.4總結(jié)
9.5本章術(shù)語(yǔ)
第10章案例：數(shù)字顯示廣告
10.1顯示廣告
10.2數(shù)字廣告數(shù)據(jù)
10.3特征工程和建模策略
10.4數(shù)據(jù)大小和形狀
10.5奇異值分解
10.6資源估計(jì)和優(yōu)化
10.7建模
10.8K近鄰算法
10.9隨機(jī)森林算法
10.10其他實(shí)用考慮
10.11總結(jié)
10.12本章術(shù)語(yǔ)
10.13摘要和結(jié)論
附錄常用機(jī)器學(xué)習(xí)算法
名詞術(shù)語(yǔ)中英文對(duì)照